【新智元导读】现有AI agent记忆系统常将长交互历史原始存储，导致模型被冗余信息淹没。PlugMem创新性地将经验转化为结构化可复用知识，提出任务无关的统一记忆模块，在提升多类Agent性能的同时降低资源消耗。
AI agent在执行长对话、多步推理等复杂任务时，需有效复用历史经验。当前多数系统将记忆视为"日志文件"，单纯累积原始交互轨迹，导致记忆无限膨胀、噪声增加并挤占上下文窗口。
核心矛盾在于：AI拥有海量记忆却难以高效利用。决策关键往往不是完整交互记录，而是从中提炼的知识。例如商品推荐需捕捉用户偏好而非复读对话；新网站操作需通用策略而非重放页面轨迹。
AI记忆的核心挑战并非"存储量"，而是以突出决策信息的方式组织记忆。UIUC与清华大学联合提出的PlugMem，将原始经验转化为可复用知识。它突破传统文本检索模式，采用认知科学理念构建以知识为中心的记忆体系。
论文链接：https://arxiv.org/abs/2603.03296
代码链接：https://github.com/TIMAN-group/PlugMem
PlugMem通过三个组件重构记忆流程：
- 结构化：将交互记录标准化为两类核心知识——命题式事实（facts）与处方式技能（skills），形成结构化记忆图
- 检索：以高层概念与意图作为路由信号，精准匹配语义相关的知识单元而非冗长文本
- 推理压缩：将检索结果提炼为简洁任务指引，提升上下文利用效率
区别于传统GraphRAG系统，PlugMem以知识单元为基本构建块，显著减少冗余、提升信息密度与检索精度。
PlugMem的跨任务迁移能力
现有记忆系统多为特定场景定制，任务切换时需重新设计。PlugMem作为即插即用通用模块，无需任务适配即可接入不同AI agent。实验验证其在三个异构基准中均显著提升性能：
- 长程对话问答
- 维基百科多跳知识检索
- 交互式网页决策任务
关键突破在于以更少token成本实现更高任务准确率，证实"知识转化"比原始日志检索更具效率优势。
记忆效用评估体系
创新提出信息论指标，衡量每消耗1个token带来的"决策信息增益"。结果显示，PlugMem在相同token预算下提供更高决策效用：
在效用-成本评估维度，PlugMem始终处于优势位置：更低token消耗获取更高决策价值，验证结构化知识表示的有效性。
知识基础设施的演进方向
与任务特定设计相比，PlugMem证实有效知识提取比启发式技巧更具普适价值。其核心价值在于将"结构化-检索-压缩"三环节解耦协同：
- 结构化定义可检索内容
- 检索确保记忆服务决策
- 压缩优化智能体利用成本
作为通用记忆底座，PlugMem可叠加任务特定优化形成互补增强。这标志着AI记忆系统正从被动存储向"可复用知识基础设施"演进，通过跨任务知识迁移缓解冷启动问题，为下一代智能体构建关键基石。其核心理念指向本质突破：将经验转化为天然可复用的知识形态，而非追求上下文规模扩张。